Détection de la fatigue mentale à partir de données électrophysiologiques

Detecting mental fatigue using electrophysiological data

• Auteur / Autrice : François Laurent
• Direction : Geneviève Florence, Jacques Martinerie
• Type : Thèse de doctorat
• Discipline(s) : Neurosciences
• Date : Soutenance en 2010
• Etablissement(s) : Paris 6

Mots clés

Mots clés libres

Fatigue mentale

Classification

Détecteur

Eeg

Eog

Ecg

Reconstruction de sources

Aviation militaire

Résumé

L'objectif de cette thèse était la mise au point d'un détecteur de fatigue mentale. La fatigue mentale en soi est mal définie. Le problème a donc été traduit de différentes manières, combinant ou exploitant individuellement différentes approches, à savoir celle du temps passé à la tâche, celle de la mesure subjective (questionnaire) et celle de la performance (fatigue objective). Le travail de thèse s'articule en trois actes, chacun relatif à une expérience. Parmi ces trois expériences, deux ont été réalisées en laboratoire, et une en contexte écologique avec la participation de pilotes en simulateur d'Alphajet. L'approche méthodologique générale consistait, pour chaque sujet, à segmenter la durée d'une session en fenêtres de temps que nous répartissions en deux groupes, l'un étant censé représenter un état "non fatigué", l'autre un état "fatigué". Nous classions ensuite les fenêtres de temps à l'aide des signaux électrophysiologiques suivant une procédure guidée par un objectif de détection (classification/validation). Dans une première étude comparant l'intérêt de plusieurs mesures électrophysiologiques (EOG, ECG et EEG), l'EEG présentait le plus fort pouvoir prédictif avec en particulier des mesures de liens dynamiques entre sites distants. Dans une seconde étude restreinte à l'EEG et explorant l'intérêt de la reconstruction des sources corticales, cette dernière permettait un gain important dans la classification de niveaux de performance pour des données simulées, et moindre pour de vraies données. Enfin, en contexte écologique, moyennant quelques optimisations de la procédure de classification/validation, la détection d'une tendance dans le niveau de performance des pilotes était exacte pour 12 pilotes sur 13, toujours à l'aide de l'EEG